本研究提出了一种基于感兴趣区域(ROI)的二维高斯溅射视频压缩模型,旨在降低传统视频编码的计算需求。通过内容感知初始化和高斯帧间冗余减少机制,编码时间提高了88%,为神经视频编码提供了高效解决方案。
该文综述学习型有损图像压缩研究,涵盖内容加权编码器-解码器与重要性掩模实现自适应比特率分配、基于Transformer与提示生成支持ROI及可变速率编码、兼顾感知质量与效率的改进模型(节省超25%比特率)、用于视频压缩的对抗学习、结合GAN的宽比特率高质量重建、面向视觉分析的率失真模型(节省最高28.17%比特率)、集成ROI掩模的Swin Transformer提升检测分割性能、以对抗训练提升感知品质的PO-ELIC,以及极低比特率下有效的双自适应掩膜。
该文介绍了一种算法,通过提高车辆环境中的视频传输质量来加强车辆应用中对视频获取和处理的依赖。该算法应用感兴趣区域 (ROI) 视觉数据包的自适应跨层映射,在基于驾驶环境感知的场景 ROI 部分进行优先处理。在实际 VANET 仿真结果中,该系统在 HEVC 压缩视频通信中提供了高达 11dB 的峰值信噪比增益。
完成下面两步后,将自动完成登录并继续当前操作。